基于时间记忆的多 AGV RRT 未知环境探索
机器人学
2022-07-18 v1 多智能体系统
摘要
随着在多机器人探索挑战性环境中未知区域的需求日益增长，需要高效的协同探索策略来实现此目标。可部署基于边界的快速扩展随机树（RRT）探索来探索未知环境。然而，其贪婪行为导致多个机器人探索收益最高的区域，从而在探索过程中产生大量重叠。为解决此问题，我们提出一种基于时间记忆的 RRT（TM-RRT）探索策略，供多机器人在未知环境中执行鲁棒探索。它为每个分配的边界计算自适应持续时间，并基于每个机器人的相对位置计算边界收益。此外，每个机器人配备由所分配边界组成的记忆并在机群间共享，以防止对同一边界的重复分配。通过仿真与实际部署，我们已展示 TM-RRT 探索策略的鲁棒性：其在 25.0m x 54.0m（1350.0m2）区域内完成探索，而常规 RRT 探索策略则未能完成。
引用
@article{arxiv.2207.07484,
title = {Multi-AGV's Temporal Memory-based RRT Exploration in Unknown Environment},
author = {Billy Pik Lik Lau and Brandon Jin Yang Ong and Leonard Kin Yung Loh and Ran Liu and Chau Yuen and Gim Song Soh and U-Xuan Tan},
journal= {arXiv preprint arXiv:2207.07484},
year = {2022}
}
备注
8 pages, 10 Figures